مقایسه روش‌های پیش‌بینی برای شارژ باتری لیتیومی (SOC) مقایسه روش پیش‌بینی

ଲେଖକ: ଆଇଫ୍ଲୋପାୱାର - Προμηθευτής φορητών σταθμών παραγωγής ενέργειας

اول، حالت شارژ (SOC) به معنی SOC حالت شارژ است، به وضعیت شارژ باتری اشاره دارد. SOC از زوایای مختلف مانند برق، انرژی و غیره دارای معانی گوناگونی است.

SOC فدراسیون باتری های پیشرفته ایالات متحده (USABC) به طور گسترده ای مورد استفاده قرار گرفته است، یعنی نسبت ظرفیت نامی تحت توان باقی مانده و شرایط یکسان در یک نرخ تخلیه معین. فرمول محاسبه مربوطه این است: qm، حداکثر ظرفیت تخلیه زمانی که باتری با توجه به جریان ثابت I تخلیه می شود. Q (in) در زمان T است، باتری باتری را در زیر باتری زیر باتری آزاد می کند. دوم، روش پیش‌بینی وضعیت شارژ باتری لیتیوم یون وضعیت شارژ باتری لیتیوم یونی یکی از پارامترهای مهم سیستم مدیریت باتری است، بلکه مبنایی برای استراتژی کنترل شارژ و دشارژ کل خودرو و کار تعادل باتری است.

با این حال، به دلیل پیچیدگی خود باتری لیتیوم یون، حالت پارگی آن را نمی توان با اندازه گیری مستقیم، تنها با توجه به ویژگی های خارجی خاص باتری، مانند مقاومت داخلی باتری، ولتاژ مدار باز، دما، جریان و غیره به دست آورد. پارامترهای مرتبط با استفاده از پارامترهای مرتبط منحنی مشخصه یا فرمول محاسبه برای تکمیل کار پیش بینی در مورد وضعیت شارژ.

تخمین وضعیت شارژ باتری لیتیوم یون غیر خطی است. در حال حاضر، روش رایج فعلی برای آزمایش تخلیه، روش ولتاژ مدار باز، نقاط ایمنی، روش فیلتر کالمن، روش شبکه عصبی و غیره مهم است. 1 اصل روش آزمایش تخلیه تجربی دشارژ این است که باتری را در حالت تخلیه بدون وقفه در یک جریان ثابت قرار دهید، مقدار تخلیه را هنگامی که دشارژ به ولتاژ قطع می رسد محاسبه کنید.

مقدار پیش تصفیه مقدار جریان ثابت و زمان تخلیه استفاده شده هنگام تخلیه مقدار توان تخلیه. روش آزمایش تخلیه اغلب وضعیت شارژ باتری را در شرایط آزمایشگاهی تخمین می زند و بسیاری از تولید کنندگان باتری نیز از روش تخلیه برای آزمایش باتری استفاده می کنند. مزیت قابل توجه آن این است که روش ساده است و دقت تخمین نسبتاً بالا است.

نقطه ضعف نیز برجسته شده است: نمی توان بارگیری کرد و برای اشغال مقدار زیادی از زمان اندازه گیری، و هنگام اندازه گیری تخلیه، باتری باید قطع شود، به طوری که باتری در حالت آفلاین قرار می گیرد، بنابراین نمی توان آن را به صورت آنلاین اندازه گیری کرد. باتری ماشین برقی در رانندگی در حالت کارکرده بوده و جریان تخلیه آن ثابت نیست، این روش قابل اجرا نیست. با این حال، روش آزمایش تخلیه را می توان در تعیین تعمیرات اساسی باتری و مدل پارامتر استفاده کرد.

2 روش ولتاژ مدار باز باتری پس از مدت زمان طولانی نسبتاً پایدار است و رابطه عملکردی بین ولتاژ مدار باز و حالت شارژ باتری نیز نسبتاً پایدار است. اگر می خواهید مقدار شارژ باتری را بدست آورید، فقط باید ولتاژ مدار باز را در دو سر باتری اندازه گیری کنید و اطلاعات مربوطه را در برابر منحنی OCV-SOC بدست آورید. مزیت روش ولتاژ مدار باز عملکرد ساده است، به سادگی نقشه منحنی مشخصه کنترل مقدار ولتاژ باز را اندازه گیری کنید تا مقدار حالت شارژ را بدست آورید.

با این حال، کاستی های زیادی وجود دارد: اول از همه، برای به دست آوردن مقادیر دقیق، باید ولتاژ باتری را در حالت نسبتاً پایدار قرار داد، اما باتری اغلب اجازه می دهد تا برای مدت طولانی بماند، به طوری که نیازهای نظارت در زمان واقعی را نمی توان برآورده کرد. ماشین برقی پارک طولانی مدت هنگامی که نسبت شارژ باتری متفاوت است، از آنجایی که نوسانات جریان ولتاژ باز شدن باتری را تغییر می دهد، ولتاژ مدار باز بسته باتری ناسازگار است، به طوری که توان باقی مانده پیش بینی شده و توان باقی مانده واقعی باتری دارای انحراف زیادی هستند.

قانون انتگرال AmateThe Points France استفاده از داخل باتری را با توجه به ویژگی های خارجی خاص سیستم مانند جریان، زمان، جبران دما و غیره در نظر نمی گیرد، با یکپارچه سازی زمان و جریان، گاهی اوقات مقداری جبران اضافه می شود. در حال حاضر، زمان کار به طور گسترده ای در سیستم های مدیریت باتری استفاده می شود.

فرمول محاسبه روش نقاط ایمنی به شرح زیر است: فرمول، SOC0 مقدار برق اولیه حالت شارژ باتری است. CE ظرفیت نامی باتری است. i (t) جریان شارژ و دشارژ باتری در زمان T است. T زمان شارژ و دشارژ است. η ضریب سرعت شارژ و دشارژ است و به آن ضریب بازده کالن می گویند که نشان دهنده اتلاف توان باتری در داخل باتری در طول فرآیند شارژ و دشارژ است که عموماً بر اساس بزرگنمایی و ضریب تصحیح دما دشارژ شارژ است. مزیت قانون انتگرال ایمنی این است که محدودیت‌های خود باتری نسبتاً کوچک است، روش محاسبه ساده، قابل اعتماد است و می‌تواند تخمین زمان واقعی را بر روی وضعیت شارژ باتری انجام دهد. عیب این است که چون روش اندازه گیری ایمنی در کنترل تشخیص داده می شود، اگر دقت جمع آوری جریان زیاد نباشد، حالت شارژ اولیه داده شده دارای خطای خاصی است، با افزایش زمان اجرای سیستم، خطا به تدریج جمع می شود و در نتیجه بر نتیجه پیش بینی وضعیت شارژ تأثیر می گذارد.

و از آنجایی که روش نقاط ایمنی فقط از مشخصات بیرونی آنالیز می شود، خطای خاصی در چند لینک وجود دارد. از فرمول محاسباتی روش امتیاز ایمنی مشخص است و توان اولیه باتری در صحت نتایج محاسبات تاثیر زیادی دارد. به منظور بهبود دقت اندازه‌گیری جریان، معمولاً سنسورهای جریان با عملکرد بالا اندازه‌گیری می‌شوند، اما این میزان افزایش می‌یابد.

برای این منظور، بسیاری از محققان یک روش ولتاژ مدار باز را در حالی که روش انتگرال ایمنی کاربرد، با هر دو ترکیب شده است، اعمال کردند. روش ولتاژ مدار باز برای تخمین وضعیت شارژ اولیه باتری و روش تصحیح یکپارچه در زمان واقعی و افزودن فاکتورهای اصلاح برای بهبود دقت محاسبات استفاده می شود. 4 روش فیلتر کالمن الگوریتم فیلتر کالمن یک برآورد معادل حداقلی از نظریه فضای حالت حوزه زمانی است که به دسته تخمین آماری تعلق دارد و ماکرو آن کاهش و حذف تاثیر نویز بر روی سیگنال مشاهده است.

هسته بهترین است. تخمین زده می شود که ورودی سیستم برای متغیرهای وضعیت بر اساس فرض معتبر است. اصل اساسی این الگوریتم استفاده از مدل فضای وضعیت نویز و سیگنال به عنوان یک مدل الگوریتم است، هنگام اندازه گیری، مقدار مشاهده شده زمان جاری و مقدار تخمینی زمان قبلی و به روز رسانی برآورد متغیر وضعیت.

الگوریتم فیلتر کارمن مقدار قابل توجهی از وضعیت شارژ باتری لیتیوم یون را پیش بینی می کند و از مقدار ولتاژ اندازه گیری شده برای تصحیح مقدار پیش بینی اولیه استفاده می کند. مزیت روش فیلتر کالمن این است که رایانه برای پردازش عملیاتی بلادرنگ داده ها مناسب است، دامنه کاربرد گسترده ای دارد، می تواند برای سیستم های غیر خطی استفاده شود و تأثیر خوبی بر پیش بینی وضعیت شارژ خودروهای الکتریکی در حین رانندگی دارد. نقطه ضعف روش فیلتر کالمن این است که دقت مدل باتری وابسته است، به منظور بهبود دقت و صحت نتایج پیش‌بینی الگوریتم، یک مدل باتری قابل اعتماد ایجاد کنید.

علاوه بر این، الگوریتم روش فیلتر کالمن پیچیده‌تر است، بنابراین مقدار محاسبه آن نسبتاً زیاد است و عملکرد بالایی از اپراتور دارد. هدف شبکه عصبی شبکه عصبی تقلید رفتار هوش انسانی، از طریق ساختار موازی و توانایی یادگیری قوی برای به دست آوردن بیان داده‌ها است و می‌تواند پاسخ خروجی مربوطه را در هنگام برانگیختگی خارجی بدهد و نقشه‌برداری غیر خطی خوبی انجام دهد. اصل روش شبکه عصبی در حالت باتری لیتیوم یونی به کار می رود: داده های خارجی مانند تعداد زیادی ولتاژ، جریان و داده های وضعیت شارژ باتری به عنوان نمونه آموزشی و جهت رو به جلو اطلاعات در خود شبکه عصبی استفاده می شود.

انتشار معکوس انتشار و انتقال خطا، آموزش و اصلاح مکرر، زمانی که حالت شارژ پیش بینی شده به محدوده خطای الزامات طراحی می رسد، با وارد کردن داده های جدید برای به دست آوردن مقدار پیش بینی وضعیت شارژ باتری. مزیت روش شبکه عصبی را می توان برای تخمین وضعیت مثبت باتری های مختلف تخمین زد. به طور گسترده قابل اجرا است.

یک مدل ریاضی خاصی ایجاد نکنید. تغییرات شیمیایی پیچیده در باتری را در نظر نگیرید، فقط نمونه مناسب را انتخاب کنید و مدل شبکه عصبی بهتری را ایجاد کنید، هر چه داده های نمونه بیشتر باشد، دقت تخمین آن بالاتر است. امکان تعیین وضعیت شارژ باتری در هر زمان وجود دارد. نقطه ضعف روش شبکه عصبی این است که دقت، ظرفیت نمونه و توزیع نمونه داده‌ها، ظرفیت نمونه و روش‌های توزیع و آموزش نمونه به شدت بر باتری باتری تأثیر می‌گذارد.

سوم، خلاصه کردن این مقاله برای مقدمه‌ای ساده بر روش پیش‌بینی فعلی چندین بار مهم باتری لیتیوم یون، و تجزیه و تحلیل مزایا و معایب مربوطه آنها به تفصیل. در حال حاضر، روش ادغام هنوز کاربردی ترین روش پیش بینی حالت مثبت است. با این حال، با توجه به محدودیت های نقاط ایمنی نقطه ایمنی، اغلب با روش های دیگری مانند ولتاژ مدار باز و روش های دیگر برای آزمایش شارژ اولیه باتری لیتیوم یون تکمیل می شود.

از منظر روند توسعه، عوامل برای پیش‌بینی وضعیت شارژ باتری لیتیوم یونی به طور فزاینده‌ای جامع هستند و روش‌های پیش‌بینی مورد استفاده اغلب کاربرد جامع چندین روش هستند و نتایج پیش‌بینی را دقیق‌تر می‌کنند. علاوه بر این، در حال حاضر در حال توسعه مدل مدار معادل باتری لیتیوم یونی است که نزدیک به واقعی است، به طوری که دقت پیش‌بینی الکتریسیته شارژ شده بیشتر بهبود می‌یابد.